📌 一句话摘要

本文以面试问答形式，深入对比了关键词检索（BM25）与向量检索的原理、优劣和互补关系，并介绍了混合检索（Hybrid Search）与 RRF 融合排序的工程实践。

📝 详细摘要

文章从一个常见的面试场景切入，纠正了「向量检索比关键词检索好」的普遍误解。作者首先阐述了检索的核心问题，即如何定义「相关」——是字面词汇重叠还是语义意思接近。接着，文章详细解析了关键词检索（以 BM25 为代表）的原理，包括倒排索引、词频（TF）和稀缺度（IDF）等核心概念，并指出其优势在于精确词汇命中率极高，但致命弱点是无法处理同义词。随后，文章介绍了向量检索通过 Embedding 模型将文本转化为语义空间向量，利用余弦相似度进行匹配，擅长处理同义词和模糊表达，但对专有名词、产品型号等精确词不敏感。文章通过对比表格清晰展示了两者的核心区别。最后，文章提出了工程上的最佳实践——混合检索，即同时运行向量检索和 BM25，并使用 RRF（互倒排名融合）算法将两路结果合并排序，以取长补短，并提供了 Python 代码示例。文章强调，在 RAG 系统中，混合检索已成为行业默认做法。

💡 主要观点

1. 关键词检索（BM25）和向量检索各有优劣，并非替代关系。 BM25 基于词频统计，擅长精确匹配专有名词和代码，但无法处理同义词；向量检索基于语义空间距离，擅长处理同义词和模糊表达，但对精确词容易漏检。两者盲区互补。
2. 混合检索（Hybrid Search）是 RAG 系统的行业默认做法。 工程实践中，同时运行向量检索和 BM25 两路检索，利用 RRF（互倒排名融合）算法合并排序，可以兼顾语义理解和精确匹配，显著提升召回质量。
3. RRF 算法通过排名而非原始分数进行融合，解决了不同检索系统分数量纲不一致的问题。 RRF 使用排名的倒数作为分数，将两路结果中排名靠前的文档赋予更高权重，使得两路都认为相关的文档排在前面，避免了直接加权平均的弊端。

💬 文章金句

• 关键词检索（BM25 这类）靠的是词频统计，看查询词在文档里出现了多少次，擅长精确命中；向量检索靠的是语义空间里的距离，能理解「换了种表达方式的同一个意思」，擅长模糊语义匹配。
• 向量检索并不是「什么都比关键词检索好」，两者是互补关系。
• 正确的做法不是二选一，而是混合检索，两路并行召回，用 RRF 融合排序，取长补短。

📊 文章信息

阅读完整文章